KR20210137643A - 쇼핑 검색을 위한 상품 속성 추출 방법 - Google Patents

쇼핑 검색을 위한 상품 속성 추출 방법 Download PDF

Info

Publication number
KR20210137643A
KR20210137643A KR1020200055675A KR20200055675A KR20210137643A KR 20210137643 A KR20210137643 A KR 20210137643A KR 1020200055675 A KR1020200055675 A KR 1020200055675A KR 20200055675 A KR20200055675 A KR 20200055675A KR 20210137643 A KR20210137643 A KR 20210137643A
Authority
KR
South Korea
Prior art keywords
product
search
user query
user
attributes
Prior art date
Application number
KR1020200055675A
Other languages
English (en)
Other versions
KR102400995B1 (ko
Inventor
이웅기
이재희
이정현
이정태
Original Assignee
네이버 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 네이버 주식회사 filed Critical 네이버 주식회사
Priority to KR1020200055675A priority Critical patent/KR102400995B1/ko
Priority to JP2021075589A priority patent/JP7150090B2/ja
Publication of KR20210137643A publication Critical patent/KR20210137643A/ko
Application granted granted Critical
Publication of KR102400995B1 publication Critical patent/KR102400995B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90332—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 쇼핑 검색을 위한 상품 속성 추출 방법에 관한 것이다. 쇼핑 검색을 위한 상품 속성 추출 방법, 사용자 질의를 수신하는 단계, 상품 데이터베이스로부터 사용자 질의에 대한 상품 검색 결과를 추출하는 단계, 통계 기반 분류 모델에 의해, 사용자 질의와 복수의 상품 속성의 연관 점수를 산출하는 단계, 및 산출된 연관 점수에 기초하여 상품 검색 결과에 따른 상품 검색 순위를 조정하는 단계를 포함한다.

Description

쇼핑 검색을 위한 상품 속성 추출 방법{METHOD AND SYSTEM FOR EXTRACTING PRODUCT ATTRIBUTE FOR SHOPPING SEARCH}
본 개시는 쇼핑 검색을 위한 상품 속성 추출 방법 및 시스템에 관한 것으로, 구체적으로 쇼핑 검색을 위해 입력된 사용자 질의어 또는 검색어로부터 상품 속성을 추출하여 상품 검색 순위에 반영할 수 있는 방법 및 시스템에 관한 것이다.
최근 인터넷이나 모바일 환경에서 쇼핑, 게임, 영화, 음악 등과 같은 다양한 서비스가 온라인으로 제공되고 있다. 특히, 온라인 쇼핑은 상품 구매 시간에 대한 제약을 받지 않고, 직접 상품 판매장소에 방문하지 않고도 상품을 선택 및 구매할 수 있는 장점이 있어, 많은 사용자들에 의해 이용되고 있다.
이러한 온라인 쇼핑의 편의성으로 인해 온라인 쇼핑을 이용하는 사용자들이 증가하고, 그 결과, 온라인 상에서 판매 또는 취급되는 상품의 수 및 상품의 종류 역시 기하급수적으로 증가하고 있다. 이에 따라, 사용자는 온라인 상에서 판매되는 다양한 상품 중 자신의 의도와 일치하는 상품을 검색하기 어려운 문제가 있다.
한편, 사용자가 온라인 쇼핑 시스템에 접속하여 원하는 상품을 검색하기 위한 질의(query)를 입력하면, 해당 질의와 연관된 상품 정보, 구매처에 대한 접속 정보 등을 포함하는 상품 검색 결과의 리스트를 제공받을 수 있다. 이러한 온라인 쇼핑 시스템은 단순히 사용자 질의를 상품 데이터베이스의 상품 정보와 비교하여 검색 결과를 추출하기 때문에, 질의에 포함된 사용자의 의도와 일치하는 상품 검색 결과를 도출하기 어렵다.
본 개시는 상기와 같은 문제점을 해결하기 위한 쇼핑 검색을 위한 상품 속성 추출 방법, 기록 매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
또한, 본 개시는, 쇼핑 검색을 위한 상품 속성 추출을 위해 통계 기반 분류 모델을 이용함으로써 좀 더 정확한 상품 속성 추출이 가능한 방법 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨터 시스템에서 실행되는 쇼핑 검색을 위한 상품 속성 추출 방법은, 사용자 질의를 수신하는 단계, 상품 데이터베이스로부터 사용자 질의에 대한 상품 검색 결과를 추출하는 단계, 통계 기반 분류 모델에 의해, 사용자 질의와 복수의 상품 속성의 연관 점수를 산출하는 단계 및 산출된 연관 점수에 기초하여 상품 검색 결과에 따른 상품 검색 순위를 조정하는 단계를 포함한다.
본 개시의 다른 실시예에 따르면, 사용자 단말에서 실행되는 쇼핑 검색을 위한 상품 속성 추출 방법은, 사용자 질의를 수신하는 단계, 사용자 질의에 기초하여 통계 기반 분류 모델에 의해 산출된 복수의 상품 속성의 연관 점수를 수신하는 단계 및 산출된 연관 점수에 기초하여 사용자 질의에 대한 상품 검색 순위를 조정하는 단계를 포함한다.
본 개시의 또 다른 실시예에 따르면, 상술한 쇼핑 검색을 위한 상품 속성 추출 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 또 다른 실시예에 따르면, 컴퓨터 시스템에서 실행되는 쇼핑 검색을 위한 상품 속성 추출의 학습 방법은, 복수의 제1 사용자 질의 및 복수의 제1 사용자 질의에 연관된 복수의 제1 상품 속성을 포함하는 복수의 제1 학습데이터를 생성하는 단계 및 복수의 제1 학습데이터에 기초하여, 제2 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 통계 기반 분류 모델을 학습하는 단계를 포함한다.
본 개시의 또 다른 실시예에 따르면, 상술한 쇼핑 검색을 위한 상품 속성 추출의 학습 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 또 다른 실시예에 따르면, 쇼핑 검색을 위한 상품 속성 추출 시스템은, 사용자 질의를 수신하는 통신 모듈, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 적어도 하나의 프로세서는, 상품 데이터베이스로부터 사용자 질의에 대한 상품 검색 결과를 추출하고, 통계 기반 분류 모델을 이용하여, 사용자 질의와 복수의 상품 속성의 연관 점수를 산출하고, 산출된 연관 점수에 기초하여 상품 검색 결과에 따른 상품 검색 순위를 조정한다.
본 개시의 다양한 실시예에 따르면, 사용자 질의로부터 사용자가 의도한 상품 속성이 반영된 검색 결과를 사용자 단말에 출력할 수 있다. 또한, 본 개시의 다양한 실시예에 따르면, 사용자 질의와 연관된 상품 속성을 가진 상품을 검색 결과 상단에 표시함으로써, 해당 상품에 대한 사용자들의 클릭율 및 구매율을 향상시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출하는데 있어서 통계 기반 분류 모델을 사용함으로써, 사용자 질의에 대한 상품 속성의 연관성의 정확도를 개선시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 사용자 질의를 음절 및/또는 형태소 단위로 분할하여 통계 기반 분류 모델에 의해 상품 속성에 대한 연관 점수를 산출함으로써, 오타 입력 또는 학습데이터에 없는 사용자 질의에 대응해서도 상품 속성의 연관 점수 산출의 정확성을 향상시킬 수 있다. 또한, 통계 기반 분류 모델의 학습데이터의 매칭 커버리지가 극대화되며, 사용자 질의 및 복수의 상품 속성의 연관 점수 산출의 정확도가 더욱 향상될 수 있다.
본 개시의 다양한 실시예에 따르면, 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출하는 통계 기반 분류 모델의 학습에 사용되는 학습데이터를 통합 검색 로그 데이터, 쇼핑 또는 상품 검색 로그 데이터 등 다양한 검색 로그 데이터로부터 생성할 수 있다. 또한, 학습데이터는 검색 로그 데이터 중에서 사용자가 입력한 사용자 질의, 검색 결과 및 검색 결과에 응답하는 사용자의 동작에 기초하여 자동으로 생성될 수 있으므로, 통계 기반 분류 모델의 학습데이터를 효율적으로 확보할 수 있다.
본 개시의 다양한 실시예에 따르면, 상품 속성을 상품 속성 코드로 표시함으로써, 동일 또는 유사한 상품 속성이 서로 다른 상품 유형 또는 사용자 질의와 연관되어 상품 속성 추출의 결과의 정확성이 저하되는 것을 방지할 수 있다. 즉, 상품 속성을 상품 속성 코드로 표시하여 통계 기반 분류 모델을 학습시킴으로써, 중의적 상품 속성 및 범위형 상품 속성에 대해서도 연관 점수 산출의 정확성을 향상시킬 수 있다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 쇼핑 검색을 위한 상품 속성 추출 방법에 의해 사용자 질의에서 추출된 상품 속성을 반영한 검색 결과를 표시하는 화면의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색을 위한 상품 속성 추출 서비스를 제공하기 위하여, 복수의 사용자 단말과 상품 속성 추출 서버가 통신 가능하도록 연결된 시스템을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 상품 속성 추출 서버의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따라 통계 기반 분류 모델을 이용하여 사용자 질의에 대한 상품 속성의 연관 점수를 산출하는 구성을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 전처리기 및 통계 기반 분류 모델을 포함하는 분류기를 이용하여 연관 점수를 산출하는 구성을 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 다양한 검색 결과로부터 상품 속성 추출을 위한 통계 기반 분류 모델의 학습데이터를 생성하는 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 상품 속성을 상품 속성 코드로 표현하여 학습데이터를 생성하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 상품 속성 추출 서버에 의해 수행되는 쇼핑 검색을 위한 상품 속성 추출 방법을 나타내는 흐름도이다.
도 9는 본 개시의 일 실시예에 따른 쇼핑 검색을 위한 상품 검색 순위 조정 방법을 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 사용자 단말에 의해 수행되는 쇼핑 검색을 위한 상품 속성 추출 방법을 나타내는 흐름도이다.
도 11은 본 개시의 일 실시예에 따른 상품 속성 추출을 위한 통계 기반 분류 모델의 학습 방법을 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '사용자 질의'는 검색 엔진을 통해 입력되고 검색될 수 있는 텍스트(예를 들어, 단어, 구절, 문장 등)를 포함할 수 있으나, 이에 한정하지 않는다. 예를 들어, 사용자 질의는 사용자가 웹 브라우저, 검색 애플리케이션 또는 쇼핑 애플리케이션과 같은 검색 프로그램의 입력 UI를 통해 입력하는 텍스트를 포함하거나, 사용자가 검색 프로그램이 제공하는 질의 리스트로부터 클릭을 통해 선택할 수 있는 텍스트를 포함할 수 있다. 다른 예에서, 사용자 질의는, 텍스트에 한정하지 않고, 이미지, 영상, 음성, 소리 등과 같은 멀티미디어 콘텐츠로부터 추출될 수 있는 텍스트 또는 정보를 포함할 수 있다.
본 개시에서 '상품 속성'은 상품의 명칭, 제품번호, 규격 또는 크기, 형태, 색상, 재질, 성능, 가격 등을 포함하는 상품에 관한 다양한 정보를 지칭할 수 있다. 예를 들어, 상품 속성은, 쇼핑 검색 또는 상품 검색의 결과로서 해당 상품의 구매처에 대한 접속 정보(예를 들어, 상품 구매 웹페이지에 대한 링크 정보)와 함께 사용자에게 제공될 수 있다.
본 개시에서 '통계 기반 분류 모델'은, 알려진 레이블링(labeling)된 데이터에 대한 연관성(relevance)에 기초하여, 새로운 레이블링(labeling)이 되지 않은 정보를 분류하도록 학습된 분류기(classifier) 또는 분류 모델을 일반적으로 지칭할 수 있다. 예를 들어, 통계 기반 분류 모델은, 언어 모델(language model), SVM(support vector machine), 최대 엔트로피 모델(maximum entropy model), CRF 모델(conditional random field model), FFNN(feed-forward neural network), RNN(recurrent neural network), GRU(gated recurrent unit), LSTM(long short-term memory), 트랜스포머 모델(transformer model), BERT 모델 (bidirectional encoder representations from transformers model) 등과 같은 다양한 기계학습 또는 인공신경망 모델 중 어느 하나일 수 있다.
본 개시에서, '임베딩(embedding)'은 범주형 또는 이산형 변수(categorical or discrete variable)를 연속형 벡터(continuous vector)로 변환하는 기법을 지칭할 수 있다. 임베딩은 사용자 질의와 같은 범주형 변수를 연속 벡터로 변환함으로써, 그 정보의 차원을 축소하고 의미를 도출하는데 사용될 수 있다. 또한, 사용자 질의가 임베딩 벡터 공간에서 벡터로 표현되는 경우, 그 벡터 공간 상에서 가까운 벡터들은 유사 또는 연관된 특성을 공유할 수 있다. 예를 들어, 사용자 질의를 벡터 공간에 임베딩하는 방법은 인공신경망의 학습을 통해 구현될 수 있다.
도 1은 본 개시의 일 실시예에 따라 쇼핑 검색을 위한 상품 속성 추출 방법에 의해 사용자 질의(110)에서 추출된 상품 속성을 반영한 검색 결과(130)를 표시하는 화면(100)의 예시를 나타내는 도면이다. 도시된 바와 같이, 사용자가 쇼핑 사이트의 검색 창에 사용자 질의(110)를 입력하는 경우, 해당 사용자 질의(110)로부터 추출한 상품 속성(134, 138)을 반영한 검색 결과(130)가 표시될 수 있다. 검색 결과(130)에는, 검색된 상품을 나타내는 이미지 또는 명칭(132, 136), 상품 속성(134, 138) 등이 포함될 수 있다. 예를 들어, 사용자가 '미니 노트북'을 검색 질의어로 입력한 경우, 해당 질의어에 포함된 상품인 '노트북' 컴퓨터의 크기 또는 규격과 관련된 표현인 '미니'와 연관된 상품 정보(132, 136)가 검색 결과(130)의 상단에 표시되도록 검색 결과의 순위가 조정될 수 있다. 즉, 검색 결과(130)에는 다양한 노트북(또는 랩탑) 컴퓨터 상품들 중에서 디스플레이의 크기가 '10인치' 및 '11인치'인 상품(132, 136)들이 검색 결과(130)의 상단에 우선 표시될 수 있다. 따라서, 사용자는 검색 결과(130)를 통해 본인이 입력한 상품 검색 질의어로부터 추출할 수 있는 상품 속성(134, 138)과 연관된 상품(132, 136)들의 정보를 쉽고 빠르게 확인할 수 있다. 또한, 사용자는, 필요에 따라 해당 상품(132, 136) 중 어느 하나를 선택 또는 클릭함으로써, 선택된 상품에 관한 좀 더 구체적인 정보를 획득하거나 온라인 구매를 실행할 수 있다.
추가적으로, 화면(100)에서 검색 결과(130)의 위에는 상품 속성을 필터링 또는 선택할 수 있는 사용자 인터페이스(120)가 표시될 수 있다. 따라서, 사용자는 사용자 인터페이스(120)에서 상품 카테고리, 제조사, 화면크기 등과 같이, 사용자 질의(110)와 연관된 상품 속성들 중 하나 이상을 선택하여, 검색 결과(130)에 표시된 상품들(132, 136)의 순서 또는 순위를 추가적으로 조정할 수 있다. 예를 들어, 사용자가 사용자 인터페이스(120)에서 제조사 필터링 항목들 중에서 'A사'를 선택하면, 검색 결과(130)에는 'A사'가 생산하는 상품들의 정보가 상단에 표시될 수 있다.
일 실시예에서, 사용자 질의(110)가 입력된 경우, 상품 속성 추출 방법에 의해 사용자 질의(110)에 대한 복수의 상품 속성의 연관성(relevance) 또는 연관 확률을 산출할 수 있다. 예를 들어, 노트북 컴퓨터의 상품 속성은, 색상, 케이스의 재질, CPU의 성능, 메모리의 용량, 디스플레이의 크기 및 해상도 등을 포함할 수 있다. 다른 예에서, 가정용 텔레비전의 상품 속성은, 색상, 디스플레이의 종류, 크기 및 해상도, 인터넷 접속 기능 여부 등을 포함할 수 있다. 상품 속성 추출 방법은, 사용자 질의(110)가 '미니 노트북'인 경우, 노트북 컴퓨터의 복수의 상품 속성 뿐만 아니라 가정용 텔레비전, 패션잡화, 생활건강 용품 등 다른 종류의 상품의 복수의 상품 속성에 대해서도 연관성을 산출할 수 있다. 사용자 질의(110)가 '미니 노트북'인 경우, 노트북 컴퓨터의 상품 속성들 중 작은 디스플레이 크기 속성(예를 들어, '10인치')에 대한 연관성이 가장 높게 산출되는 반면, 노트북 컴퓨터의 다른 상품 속성들이나 다른 종류의 상품의 상품 속성들에 대한 연관성은 낮게 산출될 수 있다.
한편, 사용자 질의(110)에 대한 상품 검색 결과(130)를 상품 데이터베이스로부터 획득할 수 있다. 사용자 질의(110)에 따른 상품 검색은, 상품 데이터베이스에 저장된 상품 정보들 중에서 사용자 질의(110)와 연관성이 높은 상품 정보들을 추출함으로써 실행될 수 있다. 이와 같이 추출된 상품 검색 결과(130)에는, 사용자 질의(110)와의 연관성이 높은 상품 정보가 연관성이 낮은 상품 정보보다 상위에 표시될 수 있다. 또한, 이상 설명한 바와 같이 산출된 사용자 질의(110)에 대한 상품 속성들의 연관성(또는 연관 점수)을 기초로 상품 검색 결과(130)에 따른 상품 검색 순위가 조정될 수 있다. 이에 따르면, 사용자 질의(110)가 '미니 노트북'인 경우, 상품 검색 결과(130)에는 디스플레이의 크기가 작은 노트북 컴퓨터에 관한 상품(132, 136) 정보가 상위에 표시될 수 있다.
또한, 사용자 질의(110)에 대한 상품 속성 추출 방법에 따르면, 사용자 질의(110)를 음절(syllable) 및/또는 형태소(morpheme) 단위로 분할하여 분석함으로써, 사용자 질의(110)에 대한 복수의 상품 속성의 연관 점수를 산출할 수 있다. 일 실시예에서, 상품 속성 추출 방법은, 사용자 질의(110)를 음절 단위로 분할하여 분석함으로써, 사용자 질의(110)에 대한 복수의 상품 속성의 연관 점수를 산출할 수 있다. 또한, 상품 속성 추출 방법은, 사용자 질의(110)를 형태소 단위로 분할하여 분석함으로써, 사용자 질의(110)에 대한 복수의 상품 속성의 연관 점수를 산출할 수 있다. 이상과 같이 추출된 2개의 연관 점수는 합산 또는 결합(concatenate)되어 최종적인 연관 점수로 사용될 수 있다.
사용자 질의(110)에 대한 상품 속성 추출 방법은, 통계 기반 분류 모델에 의해 상품 속성의 연관 점수를 산출할 수 있다. 통계 기반 분류 모델은, 사용자 질의(110)가 복수의 상품 속성과 연관될 확률을 산출하도록 학습될 수 있다. 일 실시예에서, 통계 기반 분류 모델은, 음절 단위 및/또는 형태소 단위로 분할된 사용자 질의(110)를 입력으로 하여, 가능한 모든 상품 속성에 연관될 확률(또는 연관 점수)을 산출하도록 학습될 수 있다. 예를 들어, 사용자 질의(110)로서 '미니 노트북'이 입력된 경우, 디스플레이 크기가 작은 '10인치' 또는 '11인치'의 상품 속성(134, 138)에 해당할 확률 값이 디스플레이 크기가 큰 '17인치'의 상품 속성에 해당할 확률 값보다 크게 산출될 수 있다.
이상 설명된 방법에 따라 통계 기반 분류 모델에 의해 산출된 상품 속성의 연관 점수에 기초하여, 검색 결과(130)에 포함된 상품(132, 136)의 검색 순위가 조정될 수 있다. 상품 검색 순위(또는 상품 검색 순위 점수)는, 사용자 질의(110)에 대한 상품 명칭 또는 상품 속성의 어휘 유사도, 상품에 대한 사용자 인기도 등에 기초하여 결정될 수 있다. 이 경우, 각 상품(132, 136)의 검색 순위 점수에 대해 상품 속성의 연관 점수가 합산되거나 가중치로 적용되어, 최종적인 상품(132, 136)의 검색 순위 점수가 결정될 수 있다. 일 실시예에서, 사용자 질의(110)에 대해 산출된 상품 속성의 연관 점수들 중 가장 높은 연관 점수에 기초하여, 상품(132, 136)의 검색 순위가 조정될 수 있다. 대안적으로, 사용자 질의(110)에 대해 산출된 상품 속성의 연관 점수들 중 상위 n개(n은 1보다 큰 정수)의 연관 점수에 기초하여, 상품(132, 136)의 검색 순위가 조정될 수 있다.
다른 실시예에서, 사용자 질의(110)에 대한 상품 속성 추출 방법은, 상품 데이터베이스에서 상품 정보의 상품 속성을 생성 또는 업데이트하는데 사용될 수 있다. 예를 들어, 상품 속성 추출 방법은, 상품 데이터베이스에 저장된 상품 정보의 상품 명칭에 기초하여, 가능한 모든 상품 속성의 연관 점수를 산출하고, 가장 높은 연관 점수와 연관된 상품 속성을 해당 상품 정보의 상품 속성으로 저장 또는 업데이트할 수 있다.
도 1에 도시된 예는 본 개시의 쇼핑 검색을 위한 상품 속성 추출 방법에 따라 결정된 상품 검색 결과(130) 또는 상품 검색 순위가 상품 검색 또는 쇼핑을 위한 웹 사이트 또는 애플리케이션을 통해 제공되는 것을 보여주고 있지만, 본 개시는 이에 한정되는 것은 아니다. 본 개시의 다양한 실시예들에 따른 방법은, 통합 검색 사이트의 검색 서비스 또는 사용자 단말에 의해 실행되는 검색 애플리케이션을 통해 제공될 수도 있다.
도 2는 본 개시의 일 실시예에 따른 쇼핑 검색을 위한 상품 속성 추출 서비스를 제공하기 위하여, 복수의 사용자 단말(210_1, 210_2, 210_3)과 상품 속성 추출 서버(230)가 통신 가능하도록 연결된 시스템(200)을 나타내는 개요도이다. 도시된 바와 같이, 시스템(200)은, 쇼핑 검색을 위한 상품 속성 추출 서비스를 제공하는 상품 속성 추출 서버(230), 상품 속성 추출 서버(230)에 네트워크(220)를 통해 연결된 복수의 사용자 단말(210_1, 210_2, 210_3) 및 검색 로그 데이터베이스(240)를 포함할 수 있다. 일 실시예에 따르면, 상품 속성 추출 서버(230)는 상품 속성 추출 서비스를 제공하기 위한 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다. 상품 속성 추출 서버(230)에 의해 제공되는 상품 속성 추출 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 검색 애플리케이션 또는 웹 브라우저를 통해 사용자에게 제공될 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 상품 속성 추출 서버(230)와 통신할 수 있다. 네트워크(220)는, 복수의 사용자 단말(210)과 상품 속성 추출 서버(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크(220), 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크(220) 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(예를 들어, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(220)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(220)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
도 2에서 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2) 및 랩탑 또는 데스크탑 컴퓨터(210_3)가 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 검색 애플리케이션, 모바일 브라우저 애플리케이션 또는 웹 브라우저가 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말(210)은, 스마트폰, 휴대폰, 내비게이션 단말기, 데스크탑 컴퓨터, 랩탑 컴퓨터, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 컴퓨터, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 상품 속성 추출 서버(230)와 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 상품 속성 추출 서버(230)와 통신하도록 구성될 수도 있다.
일 실시예에 따르면, 상품 속성 추출 서버(230)는 복수의 사용자 단말(210_1, 210_2, 210_3)로부터 입력된 하나 이상의 사용자 질의를 수신할 수 있다. 일 실시예에 따르면, 상품 속성 추출 서버(230)는 복수의 데스크탑 또는 랩탑 컴퓨터 (210_3)에서 실행 중인 웹 브라우저에 의해 표시된 검색 사이트의 검색 엔진에 입력된 사용자 질의를 수신할 수 있다. 다른 실시예에 따르면, 상품 속성 추출 서버(230)는 복수의 휴대폰, 스마트폰 또는 태블릿 컴퓨터(210_1, 210_2)에서 실행 중인 모바일 브라우저 애플리케이션에 의해 표시된 검색 사이트의 검색 엔진에 입력된 사용자 질의를 수신할 수 있다. 다른 실시예에 따르면, 상품 속성 추출 서버(230)는 상품을 판매하는 온라인 쇼핑 사이트의 검색 엔진에 입력된 사용자 질의를 수신할 수 있다.
또한, 상품 속성 추출 서버(230)는 수신한 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출할 수 있다. 일 실시예에서, 상품 속성 추출 서버(230)는 상품 속성의 연관 점수를 산출하도록 학습된 통계 기반 분류 모델을 포함할 수 있다. 상품 속성 추출 서버(230)는, 수신한 사용자 질의를 음절 단위 및/또는 형태소 단위로 분할하고, 분할된 음절 단위 및/또는 형태소 단위의 사용자 질의를 연관 점수를 산출하는 통계 기반 분류 모델의 입력으로 사용할 수 있다. 또한, 상품 속성 추출 서버(230)는 네트워크(220)를 통해 연결된 검색 로그 데이터베이스(240)로부터 통계 기반 분류 모델을 학습하기 위한 학습데이터를 수신할 수 있다. 예를 들어, 검색 로그 데이터베이스(240)로부터 수신된 학습데이터는, 사용자 질의 및 해당 사용자 질의에 대한 상품 검색 결과 중 사용자가 선택한 상품 정보(예를 들어, 특정 상품의 속성 정보)의 쌍을 포함할 수 있다.
상품 속성 추출 서버(230)는, 복수의 상품 속성 중에서 하나 이상의 상위 연관 점수와 연관된 상품 속성을 추출하고, 상품 데이터베이스(미도시)로부터 해당 상품 속성을 포함하는 상품 정보를 검색할 수 있다. 이와 같이 검색된 상품 정보의 순위는 상품 속성의 연관 점수에 기초하여 다시 조정될 수 있다. 또한, 상품 속성 추출 서버(230)는, 상위 연관 점수와 연관된 상품 속성의 중요도를 결정하는 상품 속성 가중치와 해당 연관 점수에 기초하여 상품 검색 순위를 조정할 수 있다. 여기서, 상품 속성 가중치는, 상품 검색 결과에 대한 사용자의 응답(예를 들어, 상위 상품 검색 결과에 대한 사용자의 선택 횟수)에 따라 변경될 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 상품 속성 추출 서버(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 웹 브라우저 또는 애플리케이션을 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 사용자 단말(210)은 도 2의 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2), 랩탑 또는 데스크탑 컴퓨터(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 상품 속성 추출 서버(230)는 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 상품 속성 추출 서버(230)는 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(312, 332)와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 상품 속성 추출 서버(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210) 또는 상품 속성 추출 서버(230)에 설치되어 구동되는 상품 속성 추출 방법을 실행하기 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 상품 속성 추출 서버(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 쇼핑 검색을 위한 상품 속성 추출 서비스를 제공하는 어플리케이션)에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 상품 속성 추출 서버(230)가 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 상품 속성 추출 서버(230)가 다른 사용자 단말 또는 다른 시스템(예를 들어, 별도의 검색 엔진 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 사용자 질의에 대한 상품 속성을 고려한 검색 결과 출력 요청)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 상품 속성 추출 서버(230)로 전달될 수 있다. 역으로, 상품 속성 추출 서버(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 상품 속성 추출 서버(230)로부터 통신 모듈(316)을 통해 사용자 질의에 대한 상품 검색 결과, 복수의 상품 속성의 연관 점수, 산출된 연관 점수가 반영된 상품 검색 결과 등을 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 상품 속성 추출 서버(230)나 다른 사용자 단말(210)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면이나 상품 검색 결과가 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 상품 속성 추출 서버(230)의 입출력 인터페이스(338)는 상품 속성 추출 서버(230)와 연결되거나 상품 속성 추출 서버(230)가 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 상품 속성 추출 서버(230)는 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 상품 검색 또는 쇼핑 사이트에 접속 가능한 검색 애플리케이션, 모바일 브라우저 애플리케이션 또는 웹 브라우저가 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션 또는 웹 브라우저와 연관된 프로그램 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다.
사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 상품 속성 추출 서버(230)로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 상품 속성 추출 서버(230)에 제공할 수 있다.
일 실시예에 따르면, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드 등의 입력 장치(320)를 통해 입력되거나 선택된 텍스트, 이미지, 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지 및/또는 동작을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 상품 속성 추출 서버(230)에 제공할 수 있다. 예를 들면, 프로세서(314)는 터치 스크린, 키보드 등의 입력 장치를 통하여 하나 이상의 사용자 질의 및/또는 사용자 질의에 대응하는 상품 속성 등을 수신할 수 있고, 수신된 사용자 질의 및/또는 상품 속성에 대한 입력 등은 통신 모듈(316) 및 네트워크(220)를 통해 상품 속성 추출 서버(230)에 제공될 수 있다.
일 실시예에 따르면, 프로세서(314)는 입력 장치를 통해 수신한 사용자 질의 또는 사용자 질의에 대한 검색 결과 요청을 네트워크(220) 및 통신 모듈(316)을 통해 상품 속성 추출 서버(230)에 제공할 수 있다. 사용자 질의를 수신한 상품 속성 추출 서버(230)는 사용자 질의로부터 복수의 상품 속성의 연관 점수를 산출할 수 있다. 또한, 상품 속성 추출 서버(230)는 산출된 상품 속성의 연관 점수가 반영된 상품 검색 결과 또는 상품 검색 순위에 관한 정보를 제공할 수 있다.
다른 실시예에 따르면, 프로세서(314)는, 입력 장치를 통해 수신한 사용자 질의 또는 사용자 질의에 대한 검색 결과 요청을 네트워크(220) 및 통신 모듈(316)을 통해 상품 속성 추출 서버(230)에 제공할 수 있다. 또한, 프로세서(314)는, 네트워크(220) 및 통신 모듈(316)을 통해 상품 속성 추출 서버(230) 또는 상품 데이터베이스로부터 사용자 질의에 따른 상품 검색 결과를 수신할 수 있다. 프로세서(334)는, 사용자 질의 또는 사용자 질의에 대한 검색 결과 요청에 응답하여, 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출하고, 산출된 연관 점수를 상품 검색 결과에 적용하여 상품 검색 순위를 조정할 수 있다.
다른 실시예에 따르면, 상품 속성 추출 서버(230)는 사용자 단말(210)로부터 사용자 질의 및 사용자에 의해 선택된 상품 속성을 네트워크(220) 및 통신 모듈(316)을 통해 제공받을 수 있다. 대안적으로, 상품 속성 추출 서버(230)는 검색 로그 데이터베이스(도2의 240)로부터 사용자 질의 및 사용자에 의해 선택된 상품 속성의 데이터 쌍을 네트워크(220)를 통하여 수신할 수 있다. 상품 속성 추출 서버(230)는 수신한 사용자 질의 및 상품 속성의 데이터 쌍으로부터 학습데이터를 생성하고, 생성된 학습데이터를 이용하여, 사용자 질의와 상품 속성의 연관 점수를 산출하기 위한 통계 기반 분류 모델을 학습시킬 수 있다.
도 4는 본 개시의 일 실시예에 따라 통계 기반 분류 모델(420)을 이용하여 사용자 질의(410)에 대한 상품 속성의 연관 점수(434, 444, 454)를 산출하는 구성을 나타내는 도면이다. 통계 기반 분류 모델(420)은, 도 2 및 3에 도시된 상품 속성 추출 서버(230) 또는 사용자 단말(210)에 의해 생성, 저장 또는 실행될 수 있다. 도시된 바와 같이, 통계 기반 분류 모델(420)은 사용자 질의(410)를 입력으로 하여 복수의 상품 속성(430, 440, 450)에 대한 연관 점수(434, 444, 454)를 출력할 수 있다. 여기서, 복수의 상품 속성(430, 440, 450)은 대응하는 복수의 상품 속성 코드(432, 442, 452)로 표현될 수 있다. 이 경우, 상품 속성 코드(432, 442, 452)는 중의적 속성 또는 범위형 속성에 대응하기 위하여, 사전 결정될 수 있다. 예를 들어, 상품 속성 중 노트북의 디스플레이 크기를 나타내는 '10인치(430)'와 가전용 텔레비전의 디스플레이 크기를 나타내는 '10인치'는 서로 다른 상품 속성을 나타낼 수 있으므로, 서로 다른 상품 코드로 표현될 수 있다. 또한, 연관 점수(434, 444, 454)는, 사용자 질의(410)가 복수의 상품 속성(430, 440, 450) 각각에 연관될 확률 값일 수 있다. 예를 들어, 사용자 질의(410)가 '미니 노트북'인 경우, 디스플레이 크기가 작은 '10인치(430)'의 상품 속성과 연관될 확률 값은 '0.7'이고, 디스플레이 크기가 중간인 '12인치(440)'의 상품 속성과 연관될 확률 값은 '0.17'이고, 디스플레이 크기가 큰 '15인치(450)'의 상품 속성과 연관될 확률 값은 '0.01'일 수 있다.
각각의 상품 속성(430, 440, 450)에 대한 연관 점수(434, 444, 454)는 통계 기반 분류 모델(420)에 의해 산출될 수 있다. 통계 기반 분류 모델(420)은 입력된 사용자 질의(410)로부터 복수의 상품 속성과 연관될 확률 값을 산출하도록 학습될 수 있다. 이 경우, 상품 속성 추출 서버 또는 사용자 단말은 검색 로그 데이터베이스(예를 들어, 도 2의 240)로부터 통계 기반 분류 모델(420)을 학습하기 위한 학습데이터를 수신할 수 있다. 예를 들어, 검색 로그 데이터베이스로부터 수신된 학습데이터는, 사용자 질의(410) 및 해당 사용자 질의(410)에 대한 상품 검색 결과 중 사용자가 선택한 상품 정보(예를 들어, 특정 상품의 속성 정보)의 쌍을 포함할 수 있다. 또한, 통계 기반 분류 모델(420)은, 사용자 질의(410)에 대한 복수의 상품 속성의 연관성을 결정하기 위한 기계학습 또는 인공신경망 모델일 수 있다.
도 4에서는, 1개의 통계 기반 분류 모델(420)을 이용하여, 사용자 질의(410)에 대한 3개의 상품 속성(430, 440, 450)의 연관 점수(434, 444, 454)가 산출되는 것으로 도시 되었으나, 이에 한정되지 않는다. 다양한 구현 방식에 따라, 통계 기반 분류 모델(420)은, 사용자 질의(410)에 대해 3개 미만 또는 4개 이상의 상품 속성의 연관 점수를 산출하도록 구성될 수 있다. 또한, 사용자 질의(410)를 전처리 또는 분석하는 방법에 따라, 2개 이상의 통계 기반 분류 모델이 사용될 수 있다. 일 실시예에서, 사용자 질의(410)는 더 작은 단위의 복수의 데이터(예를 들어, 형태소 및/또는 음절 단위의 데이터)로 분할되고, 분할된 데이터들은 대응되는 복수의 통계 기반 분류 모델로 입력될 수 있다. 이 경우, 복수의 통계 기반 분류 모델로부터 산출된 연관 점수들을 합산 또는 결합하여 최종적인 연관 점수가 산출될 수 있다.
도 5는 본 개시의 일 실시예에 따라 전처리기(510) 및 통계 기반 분류 모델(522, 524)을 포함하는 분류기(520)를 이용하여 연관 점수(534, 544, 554)를 산출하는 구성을 나타내는 도면이다. 전처리기(510) 및 분류기(520)는, 도 2 및 3에 도시된 상품 속성 추출 서버(230) 또는 사용자 단말(210)에 의해 생성, 저장 또는 실행될 수 있다. 도시된 바와 같이, 상품 속성 추출 서버 또는 사용자 단말은, 사용자 질의(410)를 분석하여 통계 기반 분류 모델(522, 524)의 입력 데이터를 생성하는 전처리기(510), 및 전처리기(510)로부터 생성된 입력 데이터를 이용하여 복수의 상품 속성에 대한 연관 점수를 산출하는 분류기(520)를 포함할 수 있다.
전처리기(510)는, 사용자 질의(410)를 음절 단위로 분할하는 음절 단위 분할부(512) 및 사용자 질의(410)를 형태소 단위로 분할하는 형태소 단위 분할부(514)를 포함할 수 있다. 일 실시예에서, 음절 단위 분할부(512) 및 형태소 단위 분할부(514)는, 사용자 질의(410)의 텍스트를 각각 음절 임베딩 벡터 및 형태소 임베딩 벡터로 변환할 수 있다. 음절 단위 분할부(512) 및 형태소 단위 분할부(514) 각각은, 사용자 질의(410)를 연속 벡터 공간으로 임베딩하도록 학습된 인공신경망으로 구현될 수 있다.
또한, 분류기(520)는 음절 단위로 분할된 사용자 질의(410)를 입력으로 하는 제1 통계 기반 분류 모델(522), 형태소 단위로 분할된 사용자 질의(410)를 입력으로 하는 제2 통계 기반 분류 모델(524), 및 각각의 통계 기반 분류 모델(522, 524)로부터 산출된 연관 점수들을 합산 또는 결합하여 최종적인 연관 점수(534, 544, 554)를 산출하는 결합부(526)를 포함할 수 있다.
일 실시예에서, 상품 속성 추출 서버 또는 사용자 단말은, 음절 단위로 분할된 사용자 질의(410)를 입력으로 하는 제1 통계 기반 분류 모델(522) 및 형태소 단위로 분할된 사용자 질의(410)를 입력으로 하는 제2 통계 기반 분류 모델(524)을 이용하여 연관 점수(534, 544, 554)를 산출할 수 있다.
분류기(520)에 포함된 통계 기반 분류 모델(522, 524)은 음절 단위 및 형태소 단위로 분할된 사용자 질의(410)를 입력으로 하여, 복수의 상품 속성(530, 540, 550)에 대한 연관 점수(534, 544, 554)를 산출할 수 있다. 통계 기반 분류 모델(522, 524) 각각은 검색 로그 데이터베이스로부터 추출된 학습데이터를 이용하여, 사용자 질의(410)에 대한 복수의 상품 속성(530, 540, 550)의 연관 점수(534, 544, 554)를 산출하도록 학습될 수 있다. 검색 로그 데이터베이스로부터 추출된 학습데이터는, 사용자 질의 및 해당 사용자 질의에 대한 상품 검색 결과 중 사용자가 선택한 상품 정보(예를 들어, 특정 상품의 속성 정보)의 쌍을 포함할 수 있다.
통계 기반 분류 모델(522, 524)은, 사용자 질의(410)를 구성하는 텍스트(예를 들어, 문장, 구문, 단어 등)를 그대로 사용하지 않고, 음절 단위 또는 형태소 단위로 분할하여 사용함으로써, 사용자 질의(410)에 오탈자가 포함되거나 사용자 질의(410)가 학습데이터에 없는 생소한 질의인 경우에도 대응할 수 있다. 예를 들어, 사용자 질의(410)가 '미니 노트북'인 경우, '미니 노트북'을 음절 단위로 분할한 '미', '니', '노', '트', '북'을 통계 기반 분류 모델(522)의 입력으로 하여 산출된 연관 점수와, 사용자 질의(410)가 '미니ㄴ트북'과 같이 오탈자를 포함하는 경우, 음절 단위로 분할한 '미', '니', 'ㄴ', '트', '북'을 통계 기반 분류 모델(522)의 입력으로 하여 산출된 연관 점수는 동일 또는 유사할 수 있다. 다른 예에서, 사용자 질의(410)가 '미니 노트북'인 경우, '미니 노트북'을 형태소 단위로 분할한 '미니', '노트북'을 통계 기반 분류 모델(524)의 입력으로 하여 산출된 연관 점수와, 사용자 질의(410)가 '노트북 미니'와 같이 형태소의 순서가 변경된 경우, 형태소 단위로 분할한 '노트북', '미니'를 통계 기반 분류 모델(522)의 입력으로 하여 산출된 연관 점수는 동일 또는 유사할 수 있다.
통계 기반 분류 모델(522, 524)에 의해 산출된 연관 점수들은, 결합부(526)에 의해 합산 또는 결합될 수 있다. 그 결과, 1개의 통계 기반 분류 모델을 사용한 경우보다 정확도가 높은 최종적인 연관 점수(534, 544, 554)가 산출될 수 있다. 위와 같은 구성에 의해, 통계 기반 분류 모델(522, 524)에 의해 사용되는 학습데이터의 매칭 커버리지를 극대화하고, 사용자 질의 및 복수의 상품 속성의 연관 점수 산출의 정확도를 향상시킬 수 있다.
도 6은 본 개시의 일 실시예에 따라 다양한 검색 결과로부터 상품 속성 추출을 위한 통계 기반 분류 모델의 학습데이터를 생성하는 예시를 나타내는 도면이다. 통계 기반 분류 모델의 학습을 위해 사용되는 학습데이터는 검색 로그 데이터베이스(650)로부터 추출될 수 있다. 검색 로그 데이터베이스(650)는, 예를 들어, 사용자들이 쇼핑 검색 서비스를 사용하면서 입력한 사용자 질의어(예를 들어, 검색 대상인 상품 명칭이 포함된 문장, 문구, 단어 등), 해당 사용자 질의어에 따른 쇼핑 검색 결과(예를 들어, 상품 명칭, 상품 속성 등이 포함된 검색 결과), 쇼핑 검색 결과에 대한 사용자의 응답(예를 들어, 특정 상품 명칭, 상품 속성 등에 대한 사용자의 클릭 여부 또는 횟수 등)을 저장할 수 있다. 통계 기반 분류 모델의 학습데이터는, 검색 로그 데이터베이스(650)로부터 추출된 사용자 질의와 해당 사용자 질의와 연관된 상품 속성의 쌍을 포함할 수 있다.
도시된 바와 같이, 예를 들어, 사용자가 쇼핑 검색 사이트 또는 통합 검색 사이트의 검색 창에 사용자 질의(110)를 입력한 경우, 입력된 사용자 질의(110)와 연관된 검색 결과(130)가 출력될 수 있다. 검색 결과 화면(100)은, 사용자 질의(110)가 입력된 검색 창, 상품 속성을 필터링하기 위한 사용자 인터페이스(120), 검색된 상품(132, 136), 검색된 상품(132, 136)과 연관된 상품 속성(134, 138) 등을 포함하는 검색 결과(130)를 포함할 수 있다.
일 실시예에서, 사용자 질의(110)를 입력한 사용자가 사용자 인터페이스(120)에 포함된 화면 크기 속성(610)을 클릭하는 경우, 해당 사용자 질의(110)와 클릭된 화면 크기 속성(610) 쌍의 학습데이터(640)가 검색 로그 데이터베이스(650)에 저장될 수 있다. 상품 속성 추출 서버의 프로세서는, 이와 같은 사용자 질의(110)와 클릭 로그 정보가 저장된 검색 로그 데이터베이스(650)로부터 사용자 질의(110)와 상품 속성의 쌍을 포함하는 학습데이터를 추출할 수 있다. 예를 들어, 사용자가 '미니 노트북'을 사용자 질의(110)로 입력하고, 사용자 인터페이스(120)를 통해 상품 속성들 중 '12인치'를 클릭하여 검색 로그 데이터가 생성된 경우, '미니 노트북-12인치'쌍의 학습데이터(640)가 생성될 수 있다.
다른 실시예에서, 사용자 질의(110)를 입력한 사용자가 검색 결과(130)로 출력된 상품(132, 136)을 클릭하는 경우, 해당 사용자 질의(110)와 해당 상품(132, 136)과 연관된 상품 속성(134, 138) 쌍의 학습데이터(620, 630)가 검색 로그 데이터베이스(650)에 저장될 수 있다. 예를 들어, 사용자가 '미니 노트북'을 사용자 질의(110)로 입력한 후, 검색 결과(130) 중 상품(132, 136)을 클릭한 경우, 클릭된 상품(132)과 연관된 상품 속성인 '10인치(134)'와 사용자 질의(110) 쌍의 학습데이터(620), 및 클릭된 상품(136)과 연관된 상품 속성인 '11인치(138)'와 사용자 질의(110) 쌍의 학습데이터(630)가 생성될 수 있다. 추가적으로 또는 대안적으로, 사용자 질의(110)를 입력한 사용자가 상품과 연관된 상품 속성(134, 138)을 클릭하는 경우, 클릭된 상품 속성(134, 138)과 사용자 질의(110) 쌍의 학습데이터(620, 630)가 생성될 수도 있다.
도 7은 본 개시의 일 실시예에 따라 상품 속성(714, 724, 734)을 상품 속성 코드(716, 726, 736)로 표현하여 학습데이터(710, 720, 730)를 생성하는 방법의 예시를 나타내는 도면이다. 도시된 바와 같이, 통계 기반 분류 모델의 학습을 위해 사용되는 학습데이터는, 사용자 질의(712, 722, 732), 이에 대응하는 상품 속성(714, 724, 734) 및 각각의 상품 속성(714, 724, 734)을 표현한 상품 속성 코드(716, 726, 736)를 포함할 수 있다. 일 실시예에서, 사용자 질의(712, 722, 732) 및 상품 속성(714, 724, 734)은, 도 6을 참조하여 설명한 바와 같이, 쇼핑 사이트 또는 통합 검색 사이트의 검색창에 사용자 질의(712, 722, 732)를 입력한 사용자가 검색 결과에 표시된 상품 또는 상품 속성을 클릭하는 경우, 생성되는 검색 로그 데이터베이스로부터 추출될 수 있다. 또한, 상품 속성(714, 724, 734) 각각은 이에 대응하는 상품 속성 코드(716, 726, 736)로 표현될 수 있다. 이와 같이, 학습데이터에 포함되는 상품 속성을 상품 속성 코드로 표현함으로써, 상이한 유형의 상품이 동일 또는 유사한 상품 속성을 갖는 경우(즉, 중의적 상품 속성 및 범위형 상품 속성의 경우)에 대해서도 통계 기반 분류 모델이 정확한 연관 점수를 산출할 수 있다.
예를 들어, 사용자가 쇼핑 사이트의 검색창에 '미니 노트북(712)'을 입력하고, '10인치(714)'의 상품 속성을 클릭하는 경우, 입력된 '미니 노트북(712)'의 사용자 질의어, 클릭된 '10인치(714)'의 상품 속성 및 '10인치(714)'의 상품 속성 코드 'M10834726(716)'을 포함하는 학습데이터(710)가 생성될 수 있다. 또한, 사용자가 쇼핑 사이트의 검색창에 '미니 노트북(722)'을 입력하고, '12인치(724)'의 상품 속성을 클릭하는 경우, 입력된 '미니 노트북(722)'의 사용자 질의어, 클릭된 '12인치(724)'의 상품 속성 및 '12인치(724)'의 상품 속성 코드 'M10706689(726)'을 포함하는 학습데이터(720)가 생성될 수 있다.
다른 실시예에서, 사용자 질의를 입력한 사용자가 검색 결과에서 2개 이상의 상품 속성을 클릭하는 경우, 입력된 사용자 질의 및 클릭된 상품 속성들을 모두 포함하는 학습데이터가 생성될 수 있다. 예를 들어, 사용자가 쇼핑 사이트의 검색창에 '미니 노트북(732)'을 입력하고, '13인치 및 12인치(734)'의 상품 속성을 각각 클릭하는 경우, 입력된 '미니 노트북(732)'의 사용자 질의어, 클릭된 '13인치 및 12인치(734)'의 상품 속성 및 이에 대응하는 상품 속성 코드들 'M10835015 및 M10706689(736)'을 포함하는 학습데이터(730)가 생성될 수도 있다.
도 8은 본 개시의 일 실시예에 따른 상품 속성 추출 서버에 의해 수행되는 쇼핑 검색을 위한 상품 속성 추출 방법(800)을 나타내는 흐름도이다. 일 실시예에서, 쇼핑 검색을 위한 상품 속성 추출 방법(800)은, 사용자 질의를 수신함으로써 개시될 수 있다(S810). 일 실시예에서, 사용자 질의는, 사용자 단말에 표시되는 쇼핑 사이트 또는 통합 검색 사이트의 검색창으로부터 수신되어 상품 속성 추출 서버의 프로세서로 전송될 수 있다.
수신된 사용자 질의에 기초하여, 상품 데이터베이스로부터 사용자 질의에 대한 상품 검색 결과가 추출될 수 있다(S820). 일 실시예에서, 상품 속성 추출 서버의 프로세서는, 상품 데이터베이스로부터 사용자 질의에 대한 상품 검색 결과를 추출할 수 있다. 이 경우, 상품 검색 결과는, 상품 데이터베이스에 저장된 사용자 질의와 상품 명칭의 어휘 유사도, 상품의 사용자 인기도 등의 정보에 기초하여 결정된 상품 검색 순위 정보를 포함할 수 있다. 예를 들어, 사용자 질의가 '미니 노트북'인 경우, '미니 노트북'의 적어도 일부를 포함하는 상품 명칭을 가진 상품들 중 사용자에 의한 구매율이 높은 상품 또는 사용자에 의한 클릭율이 높은 상품이 높은 순위를 갖는 상품 검색 결과가 추출될 수 있다.
사용자 질의는 음절 단위 및/또는 형태소 단위로 분할될 수 있다(S830). 일 실시예에서, 상품 속성 추출 서버의 프로세서는, 사용자 질의를 음절 단위 및/또는 형태로 단위로 분할하여 통계 기반 분류 모델에 입력할 수 있다. 예를 들어, 사용자 질의는 음절 임베딩 벡터 및/또는 형태소 임베딩 벡터로 변환되어 통계 기반 분류 모델에 입력될 수 있다.
또한, 통계 기반 분류 모델에 의해, 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출할 수 있다(S840). 일 실시예에서, 상품 속성 추출 서버의 프로세서는, 통계 기반 분류 모델을 이용하여, 사용자 질의가 상품 속성 코드로 표시된 상품 속성과 연관될 확률을 산출할 수 있다. 이와 같이, 상품 속성을 상품 속성 코드로 표시함으로써, 통계 기반 분류 모델이 중의적 상품 속성 및 범위형 상품 속성에 대응하여 정확한 연관 점수를 산출할 수 있다. 사용자 질의가 음절 단위 또는 형태소 단위로 분할된 경우, 통계 기반 분류 모델은, 음절 단위 또는 형태소 단위로 분할된 사용자 질의가 복수의 상품 속성과 연관될 확률 값을 산출할 수 있다.
다른 실시예에서, 상품 속성 추출 서버의 프로세서는 사용자 질의를 음절 단위 및 형태소 단위로 각각 분할할 수 있다. 프로세서는, 제1 통계 기반 분류 모델을 이용하여, 음절 단위로 분할된 사용자 질의가 복수의 상품 속성과 연관될 제1 확률을 산출하고, 제2 통계 기반 분류 모델을 이용하여, 형태소 단위로 분할된 사용자 질의가 상품 속성과 연관될 제2 확률을 산출할 수 있다. 그 후, 프로세서는, 제1 확률과 제2 확률을 합산 또는 결합하여 최종적인 상품 속성의 연관 점수로서 산출할 수 있다. 이상 설명한 바와 같이 사용자 질의를 음절 및/또는 형태소 단위로 분할하여 통계 기반 분류 모델에 의해 상품 속성에 대한 연관 점수를 산출함으로써, 오타 입력을 포함하거나 학습데이터에 없는 사용자 질의에 대응해서도 상품 속성의 연관 점수 산출의 정확성을 향상시킬 수 있다.
산출된 연관 점수에 기초하여, 사용자 질의에 대한 상품 검색 결과에 따른 상품 검색 순위가 조정될 수 있다(S850). 일 실시예에서, 상품 속성 추출 서버의 프로세서는 산출된 하나 이상의 연관 점수를 상품 검색 결과에 반영하여 상품 검색 순위를 조정할 수 있다. 이에 따라, 연관 점수가 높은 상품 속성을 포함하는 상품들이 검색 결과 상단에 표시될 수 있다. 사용자 질의와 연관된 상품 속성을 가진 상품을 검색 결과 상단에 표시함으로써, 해당 상품에 대한 사용자들의 클릭율 및 구매율을 향상시킬 수 있다.
도 9는 본 개시의 일 실시예에 따른 쇼핑 검색을 위한 상품 검색 순위 조정 방법(900)을 나타내는 흐름도이다. 일 실시예에서, 상품 검색 순위 조정 방법(900)은, 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출함으로써 개시될 수 있다(S910). 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출하는 방법은, 도 8을 참조하여 설명한 것과 동일한 방법으로 수행될 수 있다.
다음으로, 산출된 연관 점수 중 가장 높은 연관 점수인 제1 연관 점수와 연관된 제1 상품 속성이 추출될 수 있다(S920). 일 실시예에서, 상품 속성 추출 서버 또는 사용자 단말의 프로세서가, 산출된 연관 점수 중 가장 높은 연관 점수인 제1 연관 점수와 연관된 제1 상품 속성을 추출할 수 있다. 또한, 추출된 제1 상품 속성에 기초하여, 상품 데이터베이스에서 제1 상품 속성을 포함하는 제1 상품이 검색될 수 있다(S930).
대안적으로, 산출된 연관 점수 중 연관 점수가 미리 설정된 임계치 이상인 제1 연관 점수 군(즉, 하나 이상의 제1 연관 점수)과 연관된 제1 상품 속성 군(즉, 하나 이상의 제1 상품 속성)이 추출될 수 있다. 그 후, 상품 데이터베이스에서 제1 상품 속성 군에 포함된 적어도 하나의 상품 속성을 포함하는 상품이 검색될 수 있다.
제1 상품 속성의 중요도를 결정하는 상품 속성 가중치가 결정될 수 있다(S940). 상품 속성 가중치는 추출된 상품 속성이 이와 연관된 상품의 검색 순위의 조정에 미치는 영향의 정도를 나타낼 수 있다. 일 실시예에서, 상품 속성 가중치는 상품 속성 별로 미리 결정된 값일 수 있다. 대안적으로, 상품 속성 가중치는 상품 검색 결과에 대한 사용자의 응답에 따라 동적으로 변동될 수 있다. 구체적으로, 상품 속성 추출 서버 또는 사용자 단말의 프로세서는 미리 결정된 상품 속성 가중치 및 연관 점수에 기초하여 조정된 제1 상품이 표시된 검색 결과 화면을 출력하고, 출력된 상품 검색 결과 화면에서 사용자에 의한 제1 상품의 클릭 수를 수신할 수 있다. 제1 상품의 클릭 수가 미리 설정된 임계치 이상인 경우, 프로세서는 상품 속성 가중치를 변경할 수 있다.
제1 연관 점수 및 상품 속성 가중치에 기초하여 제1 상품의 검색 순위가 조정될 수 있다(S950). 상품 검색 순위가 조정된 결과, 추출된 제1 상품 속성과 연관된 제1 상품이, 추출된 제1 상품 속성과 연관되지 않는 다른 상품보다 상품 검색 결과의 상위에 표시될 수 있다. 이에 따라, 사용자 질의에 기초하여 사용자가 의도한 상품 속성이 반영된 검색 결과를 사용자 단말에 출력할 수 있다.
도 10은 본 개시의 일 실시예에 따른 사용자 단말에 의해 수행되는 쇼핑 검색을 위한 상품 속성 추출 방법(1000)을 나타내는 흐름도이다. 일 실시예에서, 사용자 단말에 의해 수행되는 쇼핑 검색을 위한 상품 속성 추출 방법(1000)은 사용자 단말의 프로세서가 사용자 질의를 수신함으로써 개시될 수 있다(S1010). 사용자 질의는 사용자 단말에 표시된 쇼핑 사이트 또는 통합 검색 사이트의 검색창으로부터 수신될 수 있다.
사용자 단말의 프로세서는 사용자 질의에 기초하여 통계 기반 분류 모델에 의해 산출된 복수의 상품 속성의 연관 점수를 수신할 수 있다(S1020). 이 경우, 통계 기반 분류 모델은 사용자 질의에 대한 복수의 상품 속성의 연관 점수를 산출하도록 미리 학습될 수 있다. 또한, 정확도 높은 연관 점수를 산출하기 위하여, 통계 기반 분류 모델은 음절 단위 및/또는 형태소 단위로 분할된 사용자 질의를 입력 받아 상품 속성의 연관 점수를 산출하는 2개 이상의 통계 기반 분류 모델을 포함할 수 있다.
사용자 단말의 프로세서는 산출된 연관 점수에 기초하여 사용자 질의에 대한 상품 검색 순위를 조정할 수 있다(S1030). 구체적으로, 프로세서는 산출된 연관 점수 중 가장 높은 연관 점수인 제1 연관 점수와 연관된 제1 상품 속성을 추출할 수 있다. 이 후, 프로세서는 상품 데이터베이스에서 검색된 제1 상품 속성을 포함하는 제1 상품을 수신하고, 제1 연관 점수에 따라 검색된 제1 상품의 상품 검색 순위를 조정할 수 있다. 이 경우, 제1 상품의 검색 순위는 제1 상품 속성의 중요도를 결정하는 상품 속성 가중치 및 제1 연관 점수에 기초하여 조정될 수 있다.
도 11은 본 개시의 일 실시예에 따른 상품 속성 추출을 위한 통계 기반 분류 모델의 학습 방법(1100)을 나타내는 흐름도이다. 도시된 바와 같이, 학습 방법(1100)은 프로세서가 복수의 제1 사용자 질의 및 복수의 제1 사용자 질의에 연관된 복수의 제1 상품 속성에 기초하여 제1 학습데이터를 생성하는 단계(S1110)로 개시될 수 있다. 프로세서는 복수의 제1 사용자 질의에 연관된 검색 로그 데이터베이스부터 복수의 제1 상품 속성을 추출할 수 있다. 검색 로그 데이터베이스는, 사용자 질의와 이에 연관되어 추출된 상품 검색 결과에서 사용자가 선택 또는 클릭한 상품 속성 정보를 포함할 수 있다. 예를 들어, 프로세서는, 통합 검색 로그 데이터베이스, 쇼핑 또는 상품 검색 로그 데이터베이스 중 적어도 하나로부터 복수의 사용자 질의에 연관된 상품 속성을 추출할 수 있다. 또한, 프로세서는, 통계 기반 분류 모델이 중의적 또는 범위형 상품 속성에 대응할 수 있도록, 복수의 제1 상품 속성을 대응하는 복수의 상품 속성 코드로 변환할 수 있다. 위와 같은 구성에 의해, 학습데이터는 사용자가 입력한 사용자 질의 및 사용자 질의에 따라 추출된 상품 검색 결과에 대한 사용자의 동작(예를 들어, 상품 속성의 필터링, 상품 또는 상품 속성의 선택 또는 클릭 등)에 따라 생성된 검색 로그 데이터베이스로부터 획득될 수 있으므로, 통계 기반 분류 모델의 학습데이터를 효율적으로 확보할 수 있다.
프로세서는 복수의 제1 학습데이터에 기초하여, 제2 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 통계 기반 분류 모델을 학습할 수 있다(S1120). 일 실시예에서, 프로세서는 복수의 제1 사용자 질의를 형태소 단위로 분할하여 통계 기반 분류 모델을 학습할 수 있다. 구체적으로, 프로세서는 형태소 단위로 분할된 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 통계 기반 분류 모델을 학습할 수 있다. 추가적으로 또는 대안적으로, 프로세서는 복수의 제1 사용자 질의를 음절 단위로 분할하여 통계 기반 분류 모델을 학습할 수 있다. 프로세서는 음절 단위로 분할된 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 통계 기반 분류 모델을 학습할 수 있다.
다른 실시예에서, 프로세서는 복수의 제1 사용자 질의를 음절 단위 및 형태소 단위로 분할하여 통계 기반 분류 모델을 학습할 수 있다. 구체적으로, 프로세서는 복수의 제1 사용자 질의를 형태소 단위 및 음절 단위로 분할할 수 있다. 그 후, 프로세서는, 형태소 단위로 분할된 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 제1 통계 기반 분류 모델을 학습할 수 있다. 또한, 프로세서는, 음절 단위로 분할된 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 제2 통계 기반 분류 모델을 학습할 수 있다. 위와 같이, 프로세서는 사용자 질의를 분할하는 방식에 따라 2개 이상의 통계 기반 분류 모델을 사용함으로써, 사용자 질의와 상품 속성의 연관 점수를 더 정확히 산출할 수 있다.
상술된 쇼핑 검색을 위한 상품 속성 추출 방법 및 상품 속성 추출의 학습 방법은, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수도 있다. 기록매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록 매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 어플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 어플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk)와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs)은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100: 화면 110: 사용자 질의
120: 사용자 인터페이스 130: 검색 결과
132, 136: 상품 134, 138: 상품 속성
210: 사용자 단말 220: 네트워크
230: 상품 속성 추출 서버 240: 검색 로그 데이터베이스
420: 통계 기반 분류 모델
510: 전처리기 520: 분류기

Claims (20)

  1. 컴퓨터 시스템에서 실행되는 쇼핑 검색을 위한 상품 속성 추출 방법에 있어서,
    사용자 질의를 수신하는 단계;
    상품 데이터베이스로부터 상기 사용자 질의에 대한 상품 검색 결과를 추출하는 단계;
    통계 기반 분류 모델에 의해, 상기 사용자 질의와 복수의 상품 속성의 연관 점수를 산출하는 단계; 및
    상기 산출된 연관 점수에 기초하여 상기 상품 검색 결과에 따른 상품 검색 순위를 조정하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  2. 제1항에 있어서,
    상기 통계 기반 분류 모델에 의해, 상기 사용자 질의와 상기 복수의 상품 속성의 연관 점수를 산출하는 단계는,
    상기 통계 기반 분류 모델에 의해, 상기 사용자 질의가 각각 상품 속성 코드로 표시된 상기 복수의 상품 속성과 연관될 확률을 산출하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  3. 제1항에 있어서,
    상기 통계 기반 분류 모델에 의해, 상기 사용자 질의와 상기 복수의 상품 속성의 연관 점수를 산출하는 단계는,
    상기 사용자 질의를 음절 단위 및 형태소 단위 중 적어도 하나로 분할하는 단계; 및
    상기 통계 기반 분류 모델에 의해, 상기 음절 단위 및 상기 형태소 단위 중 적어도 하나로 분할된 상기 사용자 질의가 상기 복수의 상품 속성과 연관될 확률을 산출하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  4. 제1항에 있어서,
    상기 통계 기반 분류 모델에 의해, 상기 사용자 질의와 상기 복수의 상품 속성의 연관 점수를 산출하는 단계는,
    상기 사용자 질의를 음절 단위 및 형태소 단위로 분할하는 단계;
    제1 통계 기반 분류 모델에 의해, 상기 음절 단위로 분할된 상기 사용자 질의가 상기 복수의 상품 속성과 연관될 제1 확률을 산출하는 단계;
    제2 통계 기반 분류 모델에 의해, 상기 형태소 단위로 분할된 상기 사용자 질의가 상기 복수의 상품 속성과 연관될 제2 확률을 산출하는 단계; 및
    상기 제1 확률과 상기 제2 확률을 합산하여 상기 복수의 상품 속성의 연관 점수로서 산출하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  5. 제1항에 있어서,
    상기 산출된 연관 점수에 기초하여 상기 상품 검색 결과에 따른 상품 검색 순위를 조정하는 단계는,
    상기 산출된 연관 점수 중 가장 높은 연관 점수인 제1 연관 점수와 연관된 제1 상품 속성을 추출하는 단계;
    상기 상품 데이터베이스에서 상기 추출된 제1 상품 속성을 포함하는 제1 상품을 검색하는 단계; 및
    상기 제1 연관 점수에 따라 상기 검색된 제1 상품의 상기 상품 검색 순위를 조정하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  6. 제1항에 있어서,
    상기 산출된 연관 점수에 기초하여 상기 상품 검색 결과에 따른 상품 검색 순위를 조정하는 단계는,
    상기 산출된 연관 점수 중 연관 점수가 미리 설정된 임계치 이상인 제1 연관 점수 군과 연관된 제1 상품 속성 군을 추출하는 단계;
    상기 상품 데이터베이스에서 상기 추출된 제1 상품 속성 군에 포함된 적어도 하나의 상품 속성을 포함하는 상품을 검색하는 단계; 및
    상기 제1 연관 점수 군에 따라 상기 검색된 상품의 상기 상품 검색 순위를 조정하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  7. 제5항에 있어서,
    상기 산출된 연관 점수에 기초하여 상기 상품 검색 결과에 따른 상품 검색 순위를 조정하는 단계는,
    상기 제1 상품 속성의 중요도를 결정하는 상품 속성 가중치 및 상기 제1 연관 점수에 기초하여 상기 제1 상품의 검색 순위를 조정하는 단계
    를 더 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  8. 제7항에 있어서,
    상기 검색 순위의 조정에 따라 상기 제1 상품이 표시된 검색 결과 화면을 출력하는 단계;
    상기 출력된 검색 결과 화면에서 상기 제1 상품의 클릭 수를 수신하는 단계; 및
    상기 제1 상품의 클릭 수가 미리 설정된 임계치 이상인 경우, 상기 상품 속성 가중치를 변경하는 단계
    를 더 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  9. 사용자 단말에서 실행되는 쇼핑 검색을 위한 상품 속성 추출 방법에 있어서,
    사용자 질의를 수신하는 단계;
    상기 사용자 질의에 기초하여 통계 기반 분류 모델에 의해 산출된 복수의 상품 속성의 연관 점수를 수신하는 단계; 및
    상기 산출된 연관 점수에 기초하여 상기 사용자 질의에 대한 상품 검색 순위를 조정하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  10. 제9항에 있어서,
    상기 산출된 연관 점수에 기초하여 상기 사용자 질의에 대한 상품 검색 순위를 조정하는 단계는,
    상기 산출된 연관 점수 중 가장 높은 연관 점수인 제1 연관 점수와 연관된 제1 상품 속성을 추출하는 단계;
    상품 데이터베이스에서 검색된 상기 추출된 제1 상품 속성을 포함하는 제1 상품을 수신하는 단계; 및
    상기 제1 연관 점수에 따라 상기 검색된 제1 상품의 상기 상품 검색 순위를 조정하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  11. 제10항에 있어서,
    상기 산출된 연관 점수에 기초하여 상기 사용자 질의에 대한 상품 검색 순위를 조정하는 단계는,
    상기 제1 상품 속성의 중요도를 결정하는 상품 속성 가중치 및 상기 제1 연관 점수에 기초하여 상기 제1 상품의 검색 순위를 조정하는 단계
    를 더 포함하는, 쇼핑 검색을 위한 상품 속성 추출 방법.
  12. 제1항 내지 제11항 중 어느 한 항에 따른 쇼핑 검색을 위한 상품 속성 추출 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  13. 컴퓨터 시스템에서 실행되는 쇼핑 검색을 위한 상품 속성 추출의 학습 방법에 있어서,
    복수의 제1 사용자 질의 및 상기 복수의 제1 사용자 질의에 연관된 복수의 제1 상품 속성을 포함하는 복수의 제1 학습데이터를 생성하는 단계; 및
    상기 복수의 제1 학습데이터에 기초하여, 제2 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 통계 기반 분류 모델을 학습하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출의 학습 방법.
  14. 제13항에 있어서,
    상기 복수의 제1 학습데이터를 생성하는 단계는,
    상기 복수의 제1 사용자 질의에 연관된 통합 검색 클릭 정보, 쇼핑 클릭 정보 또는 상품 데이터베이스 중 적어도 하나로부터 상기 복수의 제1 상품 속성을 추출하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출의 학습 방법.
  15. 제13항에 있어서,
    상기 복수의 제1 학습데이터를 생성하는 단계는,
    상기 복수의 제1 상품 속성을 중의적 상품 속성에 대응할 수 있는 복수의 제1 상품 속성 코드로 변환하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출의 학습 방법.
  16. 제13항에 있어서,
    상기 통계 기반 분류 모델을 학습하는 단계는,
    상기 복수의 제1 사용자 질의를 형태소 단위로 분할하는 단계; 및
    상기 형태소 단위로 분할된 상기 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 상기 통계 기반 분류 모델을 학습하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출의 학습 방법.
  17. 제13항에 있어서,
    상기 통계 기반 분류 모델을 학습하는 단계는,
    상기 복수의 제1 사용자 질의를 음절 단위로 분할하는 단계; 및
    상기 음절 단위로 분할된 상기 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 상기 통계 기반 분류 모델을 학습하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출의 학습 방법.
  18. 제13항에 있어서,
    상기 통계 기반 분류 모델을 학습하는 단계는,
    상기 복수의 제1 사용자 질의를 형태소 단위로 분할하는 단계;
    상기 복수의 제1 사용자 질의를 음절 단위로 분할하는 단계;
    상기 형태소 단위로 분할된 상기 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 제1 통계 기반 분류 모델을 학습하는 단계; 및
    상기 음절 단위로 분할된 상기 복수의 제1 사용자 질의에 기초하여, 사용자 질의에 대응하는 하나 이상의 상품 속성의 연관 점수를 산출하도록 제2 통계 기반 분류 모델을 학습하는 단계
    를 포함하는, 쇼핑 검색을 위한 상품 속성 추출의 학습 방법.
  19. 제13항 내지 제18항 중 어느 한 항에 따른 쇼핑 검색을 위한 상품 속성 추출의 학습 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  20. 쇼핑 검색을 위한 상품 속성 추출 시스템에 있어서,
    사용자 질의를 수신하는 통신 모듈;
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    상품 데이터베이스로부터 상기 사용자 질의에 대한 상품 검색 결과를 추출하고, 통계 기반 분류 모델을 이용하여, 상기 사용자 질의와 복수의 상품 속성의 연관 점수를 산출하고, 상기 산출된 연관 점수에 기초하여 상기 상품 검색 결과에 따른 상품 검색 순위를 조정하는,
    쇼핑 검색을 위한 상품 속성 추출 시스템.
KR1020200055675A 2020-05-11 2020-05-11 쇼핑 검색을 위한 상품 속성 추출 방법 KR102400995B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200055675A KR102400995B1 (ko) 2020-05-11 2020-05-11 쇼핑 검색을 위한 상품 속성 추출 방법
JP2021075589A JP7150090B2 (ja) 2020-05-11 2021-04-28 ショッピング検索のための商品属性抽出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200055675A KR102400995B1 (ko) 2020-05-11 2020-05-11 쇼핑 검색을 위한 상품 속성 추출 방법

Publications (2)

Publication Number Publication Date
KR20210137643A true KR20210137643A (ko) 2021-11-18
KR102400995B1 KR102400995B1 (ko) 2022-05-24

Family

ID=78510322

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200055675A KR102400995B1 (ko) 2020-05-11 2020-05-11 쇼핑 검색을 위한 상품 속성 추출 방법

Country Status (2)

Country Link
JP (1) JP7150090B2 (ko)
KR (1) KR102400995B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115563510A (zh) * 2022-12-01 2023-01-03 北京搜狐新动力信息技术有限公司 一种点击率预估模型的训练方法及相关装置
KR102535399B1 (ko) * 2023-02-21 2023-05-30 주식회사 그린랩스 농산물의 속성 데이터를 기반으로 판매자와 구매자 매칭 서비스를 제공하는 서버, 방법 및 프로그램
WO2023192735A1 (en) * 2022-03-29 2023-10-05 Shopify Inc. Systems and methods for providing product data on mobile user interfaces
KR102590569B1 (ko) * 2023-05-12 2023-10-19 주식회사 어베어 커머스 특성에 기반한 상품명 도출 장치 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210374344A1 (en) * 2020-05-29 2021-12-02 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for resource sorting, method for training sorting model and corresponding apparatuses

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110060317A (ko) * 2009-11-30 2011-06-08 한국과학기술원 이동통신 단말기에서 컨텍스트를 이용한 추천검색어 제공 시스템 및 방법
KR101873873B1 (ko) * 2018-03-12 2018-07-03 미디어젠(주) 속성 정보 분석을 통한 멀티미디어 컨텐츠 검색장치 및 검색방법
KR20200017237A (ko) * 2018-08-08 2020-02-18 삼성전자주식회사 우선 순위에 기반하여 상품과 관련된 정보를 제공하는 방법 및 그 전자 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6723182B2 (ja) 2017-03-17 2020-07-15 ヤフー株式会社 情報処理装置、情報処理方法、およびプログラム
JP6879982B2 (ja) 2018-09-07 2021-06-02 ヤフー株式会社 情報処理装置、学習装置、情報処理方法、生成方法、およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110060317A (ko) * 2009-11-30 2011-06-08 한국과학기술원 이동통신 단말기에서 컨텍스트를 이용한 추천검색어 제공 시스템 및 방법
KR101873873B1 (ko) * 2018-03-12 2018-07-03 미디어젠(주) 속성 정보 분석을 통한 멀티미디어 컨텐츠 검색장치 및 검색방법
KR20200017237A (ko) * 2018-08-08 2020-02-18 삼성전자주식회사 우선 순위에 기반하여 상품과 관련된 정보를 제공하는 방법 및 그 전자 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023192735A1 (en) * 2022-03-29 2023-10-05 Shopify Inc. Systems and methods for providing product data on mobile user interfaces
CN115563510A (zh) * 2022-12-01 2023-01-03 北京搜狐新动力信息技术有限公司 一种点击率预估模型的训练方法及相关装置
KR102535399B1 (ko) * 2023-02-21 2023-05-30 주식회사 그린랩스 농산물의 속성 데이터를 기반으로 판매자와 구매자 매칭 서비스를 제공하는 서버, 방법 및 프로그램
KR102590569B1 (ko) * 2023-05-12 2023-10-19 주식회사 어베어 커머스 특성에 기반한 상품명 도출 장치 및 방법

Also Published As

Publication number Publication date
KR102400995B1 (ko) 2022-05-24
JP2021179979A (ja) 2021-11-18
JP7150090B2 (ja) 2022-10-07

Similar Documents

Publication Publication Date Title
KR102400995B1 (ko) 쇼핑 검색을 위한 상품 속성 추출 방법
US11604951B2 (en) Image analysis and prediction based visual search
US11526369B2 (en) Skill discovery for computerized personal assistant
KR102354716B1 (ko) 딥 러닝 모델을 이용한 상황 의존 검색 기법
US11100170B2 (en) Domain-agnostic structured search query exploration
EP3552168A1 (en) Anchored search
EP2825981A1 (en) Publishing product information
JP2021501378A (ja) クリックグラフ上のベクトル伝播モデルに基づくインテリジェントなカスタマーサービス
JP6733037B2 (ja) アプリケーション情報をトリガすること
US11210341B1 (en) Weighted behavioral signal association graphing for search engines
KR102399837B1 (ko) 쇼핑 검색을 위한 상품 카테고리 추출 방법
JP2022173084A (ja) 埋め込み類似度に基づく商品検索方法、コンピュータ装置、およびコンピュータプログラム
US20230401250A1 (en) Systems and methods for generating interactable elements in text strings relating to media assets
US11768867B2 (en) Systems and methods for generating interactable elements in text strings relating to media assets
KR102425770B1 (ko) 급상승 검색어 제공 방법 및 시스템
US20220019582A1 (en) Information computing apparatus, information computing method, and non-transitory computer readable storage medium
KR102418953B1 (ko) 쇼핑 검색 결과 확장 방법 및 시스템
KR102611482B1 (ko) 빅데이터 기반의 마케팅 전략 모델 제공 방법 및 시스템
KR102649675B1 (ko) 그래프 자료 구조 및 벡터 데이터가 통합된 풀 텍스트 인덱스를 이용한 정보 제공 방법 및 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant